Agent skill
plan
Quellcode ansehen: miles990/multi-agent-workflow
Installation
npx skills add miles990/multi-agent-workflow --skill plan1
Installationen
EU-hosted inference API
Power your AI agent skills with open-source models.
Drop-in OpenAI-compatible API. No data leaves Europe.
MiniMax
MiniMax M3
$0.50 / $1.90
per M tokens
Z.ai
GLM 5.3 Flash
$0.20 / $0.60
per M tokens
MoonshotAI
Kimi K3
$4.00 / $18.00
per M tokens
DeepSeek
DeepSeek V4.1 Flash
$0.40 / $1.42
per M tokens
Multi-Agent Plan v3.1.0
多視角並行規劃 → 風險評估 → 共識設計 → 實作計劃(自動 commit)
自動化機制
⚡ 本 skill 已整合 Claude Code Hooks
- Action logging、state tracking、git commit 均由 hooks 自動處理
- 只需執行 CP1 初始化,其餘檢查點自動執行
使用方式
/multi-plan [功能需求]
/multi-plan 建立用戶認證系統 --from-research IDFlags: --perspectives N | --quick | --deep | --from-research ID
預設 4 視角
| ID | 名稱 | 模型 | 聚焦 |
|---|---|---|---|
architect |
系統架構師 | sonnet | 技術可行性、組件設計 |
risk-analyst |
風險分析師 | sonnet | 潛在風險、失敗場景 |
estimator |
估算專家 | haiku | 工作量評估、時程規劃 |
ux-advocate |
UX 倡導者 | haiku | 使用者體驗、API 設計 |
→ 模型路由配置:shared/config/model-routing.yaml
執行流程
CP1: 工作流初始化 ⚡ 手動執行
python scripts/hooks/init_workflow.py --topic "{feature}" --stage PLAN
↓
Phase 0: 需求錨定 → 載入 research 上下文、確認驗收標準
↓
Phase 1: Memory 搜尋 → 識別可重用的設計決策
↓
Phase 2: 視角分解 → 早期安全/架構檢查
↓
Phase 3: MAP(並行規劃)✅ 自動追蹤
┌──────────┬──────────┬──────────┬──────────┐
│ 架構師 │ 風險分析 │ 估算專家 │ UX 倡導 │
└──────────┴──────────┴──────────┴──────────┘
[CP2/CP3 由 hooks 自動處理 Agent 狀態追蹤]
⚠️ **並行執行關鍵**:
在單一訊息中發送 4 個 Task 工具呼叫:
- Task({description: "架構師視角", ...})
- Task({description: "風險分析視角", ...})
- Task({description: "估算專家視角", ...})
- Task({description: "UX 倡導視角", ...})
這樣才能真正並行執行!
⚠️ **強制**:每個 Agent 必須在完成前執行:
1. mkdir -p .claude/memory/plans/{feature-id}/perspectives/
2. Write → .claude/memory/plans/{feature-id}/perspectives/{perspective_id}.md
未執行 Write = 任務失敗,工作流中止
↓
Phase 4: REDUCE(共識設計 + 風險緩解)
↓
Phase 5: 產出實作計劃 → 品質閘門檢查
↓
Phase 6: Memory 存檔
↓
CP4: Task Commit ✅ 自動執行
[寫入 .claude/memory/ 時自動 git commit]早期錯誤攔截
在 Phase 2 進行預防性檢查:
安全性(BLOCKER):
- 認證機制已定義
- 授權模型已指定
- 資料驗證策略已定義
架構(HIGH):
- 無循環依賴
- 模組邊界清晰
→ 配置:shared/quality/early-detection.yaml
CP4: Task Commit
Memory 存檔完成後,必須執行 CP4 Task Commit。
Phase 6: Memory 存檔
↓
CP4: Task Commit
├── git add .claude/memory/plans/{feature-id}/
└── git commit -m "feat(plan): design {feature} implementation plan"→ 協議:shared/git/commit-protocol.md
品質閘門
通過條件(PLAN 階段):
- ✅ 所有必要組件有設計
- ✅ 風險評估完成
- ✅ 里程碑定義清晰
- ✅ 品質分數 ≥ 75
→ 閘門配置:shared/quality/gates.yaml
輸出結構
.claude/memory/plans/[feature-id]/
├── meta.yaml # 元數據
├── perspectives/ # 完整視角報告(MAP 產出,保留)
│ ├── architect.md
│ ├── risk-analyst.md
│ ├── estimator.md
│ └── ux-advocate.md
├── summaries/ # 結構化摘要(REDUCE 產出,供快速查閱)
│ ├── architect.yaml
│ ├── risk-analyst.yaml
│ ├── estimator.yaml
│ └── ux-advocate.yaml
├── synthesis.md # 共識設計
├── implementation-plan.md # 實作計劃(主輸出)
├── milestones.md # 里程碑清單
└── risk-mitigation.md # 風險緩解策略⚠️ perspectives/ 保存完整報告,summaries/ 保存結構化摘要,兩者都必須保留。
Agent 能力限制
視角 Agent 不應該開啟 Task:
| 允許的操作 | 說明 |
|---|---|
| ✅ Read | 讀取檔案 |
| ✅ Glob/Grep | 搜尋檔案和內容 |
| ✅ Explore agent | 輕量級探索 |
| ✅ Bash | 執行命令 |
| ✅ WebFetch | 抓取網頁 |
| ✅ Write | 寫入報告 |
| ❌ Task | 開子 Agent |
行動日誌
每個工具調用完成後,記錄到 .claude/workflow/{workflow-id}/logs/actions.jsonl。
記錄時機:
- 成功:記錄
tool、input、output_preview、duration_ms、status: success - 失敗:記錄
tool、input、error、stderr(如有)、status: failed
關鍵行動(PLAN 階段):
| 行動 | 記錄重點 |
|---|---|
| Read(讀取研究報告) | file_path、output_size |
| Task(啟動 Agent) | subagent_type、prompt (truncated)、agent_id |
| Write(寫入計劃) | file_path、content_size |
排查問題:
# 查看 PLAN 階段所有失敗行動
jq 'select(.stage == "PLAN" and .status == "failed")' actions.jsonl
# 查看特定視角 Agent 的行動
jq 'select(.agent_id == "agent_architect")' actions.jsonl→ 日誌規範:shared/communication/execution-logs.md
共用模組
| 模組 | 用途 |
|---|---|
| coordination/map-phase.md | 並行協調 |
| coordination/reduce-phase.md | 匯總整合、大檔案處理 |
| synthesis/cross-validation.md | 交叉驗證 |
| quality/gates.yaml | 品質閘門 |
| quality/early-detection.yaml | 早期攔截 |
工作流位置
RESEARCH → PLAN → TASKS → IMPLEMENT → REVIEW → VERIFY
↑
你在這裡- 輸入:可從
researchskill 載入研究報告 - 輸出:
implementation-plan.md供tasksskill 使用
Verwandte Skills
Mehr aus dieser Quelle: miles990/multi-agent-workflow
So verwenden Sie diesen Skill
- 1
Install plan by running
npx skills add miles990/multi-agent-workflow --skill planin your project directory. Führen Sie den obigen Installationsbefehl in Ihrem Projektverzeichnis aus. Die Skill-Datei wird von GitHub heruntergeladen und in Ihrem Projekt platziert. - 2
Keine Konfiguration erforderlich. Ihr KI-Agent (Claude Code, Cursor, Windsurf usw.) erkennt installierte Skills automatisch und nutzt sie als Kontext bei der Code-Generierung.
- 3
Der Skill verbessert das Verständnis Ihres Agenten für plan, und hilft ihm, etablierte Muster zu befolgen, häufige Fehler zu vermeiden und produktionsreifen Code zu erzeugen.
Was Sie erhalten
Skills sind Klartext-Anweisungsdateien — kein ausführbarer Code. Sie kodieren Expertenwissen über Frameworks, Sprachen oder Tools, das Ihr KI-Agent liest, um seine Ausgabe zu verbessern. Das bedeutet null Laufzeit-Overhead, keine Abhängigkeitskonflikte und volle Transparenz: Sie können jede Anweisung vor der Installation lesen und prüfen.
Kompatibilität
Dieser Skill funktioniert mit jedem KI-Coding-Agenten, der das skills.sh-Format unterstützt, einschließlich Claude Code (Anthropic), Cursor, Windsurf, Cline, Aider und anderen Tools, die projektbezogene Kontextdateien lesen. Skills sind auf Transportebene framework-agnostisch — der Inhalt bestimmt, für welche Sprache oder welches Framework er gilt.
Data sourced from the skills.sh registry and GitHub. Install counts and security audits are updated regularly.